智能視頻監(jiān)控中的事件發(fā)現(xiàn)技術(shù)研究.pdf

1、智能視頻監(jiān)控是計(jì)算機(jī)視覺中的一個(gè)重要研究領(lǐng)域，但是，縮短底層特征與高層語(yǔ)義之間的差異仍然存在著相當(dāng)大的困難。實(shí)驗(yàn)室前課題組在研究了智能視頻監(jiān)控相關(guān)技術(shù)的基礎(chǔ)上，開發(fā)出了集區(qū)域入侵、遺留物體檢測(cè)、移走物體檢測(cè)、煙霧檢測(cè)、指向接近、運(yùn)動(dòng)路徑警戒等功能于一體的智能視頻監(jiān)控系統(tǒng)。本文嘗試在前課題組研究的基礎(chǔ)上實(shí)現(xiàn)更多的事件發(fā)現(xiàn)功能。本文的主要研究?jī)?nèi)容和工作總結(jié)如下:
　　1)研究了多種陰影檢測(cè)算法，并且橫向比較了這些算法的效率和準(zhǔn)確率。不

2、同的算法對(duì)不同的場(chǎng)景有各自的優(yōu)勢(shì)和劣勢(shì)。其中，基于HSV顏色特征的陰影檢測(cè)算法在本文采用的六種場(chǎng)景實(shí)驗(yàn)中表現(xiàn)良好，在準(zhǔn)確率和計(jì)算速度的平衡上做得最好:室內(nèi)場(chǎng)景的準(zhǔn)確率達(dá)到95.4％，公路場(chǎng)景的準(zhǔn)確率達(dá)到78.5％，而平均運(yùn)算耗時(shí)只有7.1ms。在陰影檢測(cè)的基礎(chǔ)上，實(shí)現(xiàn)了前景檢測(cè)、目標(biāo)檢測(cè)及目標(biāo)跟蹤算法，并設(shè)計(jì)實(shí)現(xiàn)了一種行人徘徊事件的檢測(cè)方法。根據(jù)行人徘徊的語(yǔ)義特征，本文定義了四種徘徊事件判據(jù)，包括目標(biāo)運(yùn)動(dòng)速度、目標(biāo)停留時(shí)間、目標(biāo)多幀內(nèi)運(yùn)

3、動(dòng)的距離、目標(biāo)當(dāng)前幀位置與進(jìn)入監(jiān)控區(qū)域初始位置的距離等。利用本實(shí)驗(yàn)室自行拍攝的徘徊視頻進(jìn)行測(cè)試，定性地驗(yàn)證了本文方法的有效性與實(shí)時(shí)性。
　　2)實(shí)現(xiàn)了人群聚集事件檢測(cè)方法。本文在研究了人群密度估計(jì)、人群運(yùn)動(dòng)估計(jì)的基礎(chǔ)上，將兩種方法結(jié)合起來(lái)檢測(cè)人群聚集事件。首先利用灰度共生矩陣計(jì)算人群紋理特征，使用SVM分類器得到人群密度估計(jì)結(jié)果，然后利用光流法計(jì)算人群運(yùn)動(dòng)矢量，使用運(yùn)動(dòng)方向熵表征人群混亂程度。本文將兩種方法結(jié)合起來(lái)檢測(cè)聚集事件，避

4、免了諸如行軍、游行等情況被誤判為聚集事件。利用PETS人群數(shù)據(jù)集進(jìn)行了測(cè)試，定性地驗(yàn)證本文算法的有效性與實(shí)時(shí)性。
　　3)實(shí)現(xiàn)了基于時(shí)空興趣點(diǎn)的暴亂恐慌事件檢測(cè)。本文將原本用于人體動(dòng)作姿態(tài)估計(jì)的時(shí)空興趣點(diǎn)引入事件發(fā)現(xiàn)領(lǐng)域，將時(shí)空興趣點(diǎn)特征進(jìn)行K均值聚類，將聚類中心作為視覺詞匯，利用詞袋模型表征視頻內(nèi)容，使用SVM分類器將正常視頻與暴亂恐慌視頻進(jìn)行區(qū)分。本文自行搜集了48個(gè)視頻用于實(shí)驗(yàn)，采用HOF特征描述子的平均檢測(cè)準(zhǔn)確率達(dá)到83％